基于量子退火的单步多类SVM用于遥感数据分类
机器学习
2023-03-22 v1 计算机视觉与模式识别
量子物理
摘要
近年来，量子退火器的发展使得实验演示成为可能，并增加了对量子退火应用的研究兴趣，例如在量子机器学习中，尤其是流行的量子SVM。已有若干版本的量子SVM被提出，且已证明量子退火在其中有效。对多类问题的扩展也已实现，其由多个二分类器的集成构成。本工作提出了一种基于量子退火的直接多类分类新量子SVM公式，称为量子多类SVM（QMSVM）。该多类分类问题被公式化为一个单一的二次无约束二值优化（QUBO）问题，并用量子退火求解。本工作的主要目标是评估该方法的可行性、准确性与时间性能。我们在D-Wave Advantage量子退火器上对遥感数据分类问题进行了实验。结果表明，尽管量子退火器存在内存需求，QMSVM能达到与标准SVM方法相当的准确性，更重要的是，其随训练样本数量扩展效率高得多，呈现出近乎恒定的时间。本工作展示了一种结合经典与量子计算、用当前硬件解决遥感实际问题的途径。
引用
@article{arxiv.2303.11705,
title = {A Single-Step Multiclass SVM based on Quantum Annealing for Remote Sensing Data Classification},
author = {Amer Delilbasic and Bertrand Le Saux and Morris Riedel and Kristel Michielsen and Gabriele Cavallaro},
journal= {arXiv preprint arXiv:2303.11705},
year = {2023}
}
备注
12 pages, 10 figures, 3 tables. Submitted to IEEE JSTARS